新算法让机器人“更快”认知世界

最近，依托中国科学院沈阳自动化研究所机器人国家重点实验室，提出了一种连续多视图任务学习算法，该算法能够有效解决现有多视图任务学习模型不能使机器人快速学习新任务的问题。相关成果发表在国际电气和电子工程师协会(IEEE)神经网络和学习系统杂志上。

目前，多视图多任务学习已经广泛应用于机器学习和计算机视觉领域。然而，当多视图学习任务在许多实际场景中按顺序出现时，在这种终身学习场景中，重新训练先前的任务将导致更高的存储要求和计算成本。

为了应对这一挑战，研究者提出了一种融合深度矩阵分解和稀疏子空间学习的连续多视图任务学习模型，称为深度连续多视图任务学习。当新的多视图任务到来时，首先采用深度矩阵分解技术捕获新任务中隐含的、层次化的表达知识，同时对新的多视图知识进行分层存储。在此基础上，稀疏子空间学习模型将被应用于在每个级别提取的因子矩阵，并且交叉视图相关性将被自表达约束捕获。

在基准测试数据集上的实验结果表明，深度连续多视角任务学习模型不仅能够获得较高的认知准确性，而且能够保持较高的学习效率，即让机器人“更快地识别不同的世界”。

相关论文信息:https://doi.org/10.1109/TNNLS.2020.2977497